論文の概要: Federated Learning for Resource-Constrained IoT Devices: Panoramas and State-of-the-art

• arxiv url: http://arxiv.org/abs/2002.10610v1
• Date: Tue, 25 Feb 2020 01:03:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:00:34.869502
• Title: Federated Learning for Resource-Constrained IoT Devices: Panoramas and State-of-the-art
• Title（参考訳）: リソース制約のあるIoTデバイスのためのフェデレーションラーニング:パノラマと最先端技術
• Authors: Ahmed Imteaj, Urmish Thakker, Shiqiang Wang, Jian Li, M. Hadi Amini
• Abstract要約: 我々は最近実装されたフェデレートラーニングの現実的な応用をいくつか紹介する。 大規模ネットワークでは、様々な計算資源を持つクライアントが存在するかもしれない。 FL領域における資源制約装置の今後の方向性を強調した。
• 参考スコア（独自算出の注目度）: 12.129978716326676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, devices are equipped with advanced sensors with higher processing/computing capabilities. Further, widespread Internet availability enables communication among sensing devices. As a result, vast amounts of data are generated on edge devices to drive Internet-of-Things (IoT), crowdsourcing, and other emerging technologies. The collected extensive data can be pre-processed, scaled, classified, and finally, used for predicting future events using machine learning (ML) methods. In traditional ML approaches, data is sent to and processed in a central server, which encounters communication overhead, processing delay, privacy leakage, and security issues. To overcome these challenges, each client can be trained locally based on its available data and by learning from the global model. This decentralized learning structure is referred to as Federated Learning (FL). However, in large-scale networks, there may be clients with varying computational resource capabilities. This may lead to implementation and scalability challenges for FL techniques. In this paper, we first introduce some recently implemented real-life applications of FL. We then emphasize on the core challenges of implementing the FL algorithms from the perspective of resource limitations (e.g., memory, bandwidth, and energy budget) of client clients. We finally discuss open issues associated with FL and highlight future directions in the FL area concerning resource-constrained devices.
• Abstract（参考訳）: 現在、デバイスは高度なセンサーを備え、高い処理/計算能力を備えている。 さらに、インターネットの普及により、センシングデバイス間の通信が可能になる。 その結果、エッジデバイス上で大量のデータが生成され、IoT(Internet-of-Things)やクラウドソーシング、その他の新興テクノロジを駆動します。 収集された広範なデータは、前処理、スケール、分類、そして最後に、機械学習(ML)メソッドを使用して将来のイベントを予測するために使用される。 従来のMLアプローチでは、データは中央サーバに送信され、処理され、通信オーバーヘッド、処理遅延、プライバシリーク、セキュリティ問題に遭遇する。 これらの課題を克服するために、各クライアントは利用可能なデータに基づいてローカルにトレーニングし、グローバルモデルから学ぶことができる。 この分散学習構造は連合学習(federated learning:fl)と呼ばれる。 しかし、大規模ネットワークでは、計算資源能力の異なるクライアントが存在する可能性がある。 これはFL技術の実装とスケーラビリティの課題につながる可能性がある。 本稿では,最近実装されたFLの実環境アプリケーションについて紹介する。 次に、クライアントクライアントの資源制限(メモリ、帯域幅、エネルギー予算など)の観点から、flアルゴリズムの実装における核となる課題を強調する。 最終的に、FLに関連するオープンな問題について議論し、資源制約されたデバイスに関するFL領域の今後の方向性を明らかにする。

関連論文リスト

• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
  Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。 ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。 このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
  論文  参考訳（メタデータ） (2023-10-08T19:54:26Z)
• Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
  本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。 マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
  論文  参考訳（メタデータ） (2023-10-04T20:27:20Z)
• Federated Learning in IoT: a Survey from a Resource-Constrained Perspective [0.0]
  分散機械学習技術であるフェデレートラーニング(FL)は、さまざまな分散データソースから機械学習モデルを収集、トレーニングするために広く使用されている。 しかし、IoTデバイスのリソース制限の性質は、現実世界における大規模デプロイメントFLを妨げている。 本研究では,資源制約型モノのインターネット(IoT)環境におけるフェデレートラーニング(FL)導入に伴う課題と解決策を包括的に調査する。
  論文  参考訳（メタデータ） (2023-08-25T03:31:22Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges [14.008159759350264]
  FL(Federated Learning)と呼ばれる新しい技術は、無線ネットワークの端に機械学習をもたらすために生まれた。 FLは、データプライバシを損なうことなく汎用MLモデルを開発するために、参加するクライアントの分散データセットとコンピューティングリソースの両方を活用する。 本調査の目的は,鍵となる無線技術におけるFL応用の現状を概観することである。
  論文  参考訳（メタデータ） (2021-11-14T17:13:34Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• Evaluating the Communication Efficiency in Federated Learning Algorithms [3.713348568329249]
  近年,多くの国で新たなプライバシー法が制定され,フェデレートラーニング(FL)の概念が導入されている。 FLでは、モバイルユーザーは、プライバシーに敏感なデータを共有せずに、ローカルモデルを集約することでグローバルモデルを学ぶことができる。 これにより、FLを大規模に実装する際の通信コストの課題が提起される。
  論文  参考訳（メタデータ） (2020-04-06T15:31:54Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。